HMMs (Hidden Markov Models) are pro

HMMs (Hidden Markov Models) are probabilistic models useful
for modeling stochastic sequences with underlying finite state
structure. HMM with n hidden states (S1, S2, . . ., Sn) and m observation
symbols (o1, o2, . . ., om) can be characterized by a set of
parameters  ={, A, B}.  is the initial distribution probability that
describes the probability distribution of the observation symbol in
the initial moment and under the following conditions,
n
i=1
i = 1 where i ≥ 0 (1)
A is the transition probability matrix {aij|i, j=1, 2, 3, . . ., n}, where
aij is the probability of transition from state i to state j, and,
n
j=1
aij = 1 where aij ≥ 0 (2)
B is the observation matrix{bik|i=1, 2, 3, . . ., n and k=1, 2, . . .,
m} where n and m are the number of the states and observation
symbols respectively, and bik (
m
k=1bik = 1, bik ≥ 0) is the probability
of observation symbol with index k emitted by the current
state i.
The main problems of HMMare: evaluation, decoding, and learning.
Evaluation problem: The probability that HMM model  ={, A,
B} has generated the observation sequence O= o1 o2 . . . oT, is often
solved by Forward–Backward algorithm [8].
Decoding problem: Given  and observation sequence O, The calculation
of the most likely sequence of hidden states that produced
observation sequence O, is usually handled by Viterbi algorithm [8].
Learning problem: Given some training observation sequences
O and numbers of hidden and visible states, the determination of
HMMparameters {, A, B} that best fit training data is mostly done
by global optimization techniques such as Baum–Welch algorithm
which is considered the traditional method for training HMM [8].
One drawback of Baum–Welch algorithm is that it converges
to a local optimum. Thus, global search techniques can be used
to optimize HMM parameters. The optimal values of the model
parameters can also be computed through standard gradient
schemes as the appropriate optimization techniques [14]. The estimation
of good model parameters affects the performance of the
recognition process. These parameters are estimated such that the
recognition error is minimized. HMM parameters are determined
during an iterative process called “training process”.
As a matter of fact, 1-D HMM is used for analyzing 1-D random
signals especially those are non-stationary, i.e. speech and voice
signals [8]. Besides, it is possible to model 2-D signals by extending

ผลลัพธ์ (ไทย) 1:

แบบจำลอง probabilistic ประโยชน์เป็น HMMs (ซ่อนแบบ Markov)สำหรับการสร้างโมเดลแบบเฟ้นสุ่มลำดับกับรัฐแบบจำกัดโครงสร้างการ HMM กับอเมริกาซ่อน n (S1, S2, ... ., Sn) และสังเกต mสัญลักษณ์ (o1, o2, ... ., ออม) สามารถเป็นลักษณะชุดพารามิเตอร์ = {, A, B } น่าแจกจ่ายเริ่มต้นที่อธิบายการกระจายความน่าเป็นของสังเกตสัญลักษณ์ในช่วงเวลาเริ่มต้นและภาย ใต้ เงื่อนไขต่อไปนี้nฉัน = 1ฉัน = 1 ฉัน≥ 0 (1)คือ เปลี่ยนความน่าเป็นเมตริกซ์ { aij|i, j = 1, 2, 3, .. ., n }, ที่aij มีความเป็นไปได้ของการเปลี่ยนแปลงจากสถานะเป็นสถานะเจ และnj = 1aij = 1 aij ≥ 0 (2)B คือ เมตริกซ์สังเกต { bik|i = 1, 2, 3, .. ., n และ k = 1, 2, .. .,m } ที่ n และ m เป็นจำนวนของอเมริกาและการสังเกตลำดับ สัญลักษณ์ และ bik (mk = 1bik = 1, bik ≥ 0) น่าของการสังเกตสัญลักษณ์กับดัชนี k ออกมาจากปัจจุบันรัฐฉันปัญหาหลักของ HMMare: ประเมิน ถอดรหัส และเรียนรู้ประเมินปัญหา: ความน่าเป็นรุ่นที่ HMM = { AB } ได้สร้างลำดับสังเกต O = o1 o2... oT มักจะเป็นแก้ไข โดยอัลกอริทึมไป – ย้อนหลัง [8]ถอดรหัสปัญหา: ให้สังเกตลำดับ O การคำนวณและลำดับที่ของอเมริกาที่ซ่อนที่ผลิตมักจะมีจัดการลำดับการสังเกต O โดยอัลกอริทึม Viterbi [8]ปัญหาการเรียนรู้: กำหนดลำดับบางสังเกตการณ์ฝึกอบรมO และหมายเลขของอเมริกาที่ซ่อนอยู่ และมองเห็นได้ กำหนดการHMMparameters { A, B } ส่วนให้พอดีกับข้อมูลการฝึกอบรมเสร็จเป็นส่วนใหญ่โดยเทคนิคการเพิ่มประสิทธิภาพระดับโลกเช่นอัลกอริทึมการจัด – Welchซึ่งจะถือเป็นวิธีการดั้งเดิมสำหรับฝึก HMM [8]คืนหนึ่งของอัลกอริทึมการจัด – Welch เป็นว่า convergesให้เหมาะสมกับท้องถิ่น ดังนั้น สามารถใช้เทคนิคการค้นหาปรับพารามิเตอร์ HMM ค่าสูงสุดของแบบจำลองพารามิเตอร์คำนวณผ่านไล่ระดับมาตรฐานแผนงานเป็นเทคนิคการเพิ่มประสิทธิภาพที่เหมาะสม [14] การประเมินรุ่นดี พารามิเตอร์มีผลต่อประสิทธิภาพของการกระบวนการรับรู้ มีประมาณพารามิเตอร์เหล่านี้ให้การข้อผิดพลาดการรู้จำถูกย่อเล็กสุด มีกำหนดพารามิเตอร์ HMMในระหว่างกระบวนการซ้ำเรียกว่า "กระบวนการฝึกอบรม"เป็นแท้ 1-D HMM จะใช้สำหรับการวิเคราะห์แบบสุ่ม 1-Dสัญญาณโดยเฉพาะอย่างยิ่งผู้ไม่ใช่-เครื่องเขียน คำพูดและเสียงเช่นสัญญาณ [8] นอกจาก เป็นแบบ 2 D สัญญาณขยาย

ผลลัพธ์ (ไทย) 2:

HMMs (ซ่อนมาร์คอฟรุ่น)
มีรูปแบบน่าจะเป็นประโยชน์สำหรับลำดับสุ่มสร้างแบบจำลองที่มีสถานะจำกัด
พื้นฐานโครงสร้าง อืมกับรัฐที่ซ่อน n (S1, S2..., Sn) และ m
สังเกตสัญลักษณ์(o1, o2,..., อ้อม)
สามารถโดดเด่นด้วยชุดของพารามิเตอร์? = {?, A, B} ? เป็นความน่าจะเป็นการจัดจำหน่ายเริ่มต้นที่อธิบายถึงการกระจายความน่าจะเป็นสัญลักษณ์ที่สังเกตในช่วงเวลาเริ่มต้นและภายใต้เงื่อนไขดังต่อไปนี้n? i = 1 i = 1 ที่ฉัน≥ 0 (1)? เป็นเมทริกซ์น่าจะเป็นการเปลี่ยนแปลง {AIJ | ฉัน j = 1, 2, 3, . ., n} ที่AIJ ความน่าจะเป็นของการเปลี่ยนแปลงจากรัฐ i เพื่อระบุเจและn? ญ = 1 AIJ = 1 ที่ AIJ ≥ 0 (2) B เป็นเมทริกซ์สังเกต {bik | i = 1, 2, 3 . ., n และ k = 1, 2, . . m} ที่ n และ m เป็นจำนวนของรัฐและการสังเกตที่สัญลักษณ์ตามลำดับและbik (m? k = 1bik = 1 bik ≥ 0) คือความน่าจะเป็นของการสังเกตสัญลักษณ์ที่มีค่าดัชนีk ปล่อยออกมาโดยปัจจุบันรัฐฉันปัญหาหลักของ HMMare. การประเมินผลการถอดรหัสและการเรียนรู้ปัญหาการประเมินผลความน่าจะเป็นว่ารูปแบบอืม? = {?, A, B} ได้สร้างลำดับการสังเกต O = o1 o2 . . ร่มมักจะแก้ไขได้โดยขั้นตอนวิธีการคาดการณ์ล่วงหน้าถอยหลัง [8]. ปัญหาถอดรหัส: ให้? และการสังเกตลำดับ O, การคำนวณของลำดับส่วนใหญ่ของรัฐที่ซ่อนที่ผลิตลำดับO สังเกตจะถูกจัดการโดยปกติขั้นตอนวิธี Viterbi [8]. การเรียนรู้ปัญหา: ให้สังเกตการฝึกอบรมลำดับO และตัวเลขของรัฐที่ซ่อนอยู่และมองเห็นความมุ่งมั่น ของHMMparameters {?, A, B} ที่ดีที่สุดข้อมูลการฝึกอบรมแบบที่จะทำส่วนใหญ่โดยเทคนิคการเพิ่มประสิทธิภาพระดับโลกเช่นอัลกอริธึมนัก-เวลช์ซึ่งถือว่าเป็นวิธีการแบบดั้งเดิมสำหรับอืมการฝึกอบรม[8]. คืนหนึ่งของอัลกอริธึมนัก-เวลช์ก็คือว่ามัน ลู่ไปยังที่ดีที่สุดในท้องถิ่น ดังนั้นเทคนิคการค้นหาทั่วโลกสามารถนำมาใช้เพื่อเพิ่มประสิทธิภาพพารามิเตอร์อืม ค่าที่เหมาะสมของรูปแบบพารามิเตอร์ยังสามารถคำนวณได้มาตรฐานผ่านการไล่ระดับสีรูปแบบเป็นเทคนิคการเพิ่มประสิทธิภาพที่เหมาะสม[14] การประมาณค่าพารามิเตอร์แบบอย่างที่ดีมีผลต่อประสิทธิภาพของกระบวนการการรับรู้ พารามิเตอร์เหล่านี้จะมีการประเมินดังกล่าวว่าข้อผิดพลาดการรับรู้จะลดลง พารามิเตอร์อืมจะถูกกำหนดในระหว่างกระบวนการซ้ำเรียกว่า "กระบวนการฝึกอบรม". เป็นเรื่องของความเป็นจริงอืม 1-D ใช้ในการวิเคราะห์ 1-D สุ่มสัญญาณโดยเฉพาะอย่างยิ่งผู้ที่มีที่ไม่หยุดนิ่งเช่นการพูดและเสียงสัญญาณ[8] นอกจากนี้ยังเป็นไปได้ที่จะส่งสัญญาณแบบ 2 มิติโดยการขยาย

ผลลัพธ์ (ไทย) 3:

hmms ( แบบจำลองฮิดเดนมาร์คอฟ ) เป็นรุ่นที่มีประโยชน์แบบสุ่มลำดับด้วย

) จำกัดสภาพโครงสร้างความน่าจะเป็น . หือกับรัฐที่ซ่อนอยู่ ( S1 , S2 , . . . . . . . . SN ) และสัญลักษณ์สังเกต
M ( 01 O2 . . . . . โอม ) สามารถโดดเด่นด้วยชุดของพารามิเตอร์ 
= {  , a , b }  เป็นเบื้องต้น การแจกแจงความน่าจะเป็นที่
อธิบายการแจกแจงแบบสัญลักษณ์
เริ่มต้นช่วงเวลาและภายใต้เงื่อนไขดังต่อไปนี้  n

ฉัน = 1
 = 1 ที่  ผม≥ 0 ( 1 )
เป็นเมทริกซ์ความน่าจะเป็นของการเปลี่ยน aij | { , j = 1 , 2 , 3 , . . . . . . . . , n } ,
aij คือความน่าจะเป็นของการเปลี่ยนสถานะจากฉันสถานะ J ,
 n
J = 1
aij = 1 ที่ aij ≥ 0 ( 2 )
B เป็นเมทริกซ์แบบปิ๊ก | { i = 1 , 2 , 3 , . . . . . . . . , n และ k = 1 , 2 , . . . . .
M } ที่ n และ m เป็นจำนวนของรัฐและการสังเกต
สัญลักษณ์ตามลำดับ และปิ๊ก (  M

K = 1bik = 1 , ปิ๊ก ≥ 0 ) ความน่าจะเป็น
สัญลักษณ์สังเกตกับดัชนี K ออกมาจากสถานะปัจจุบัน
.
ปัญหาหลักของ hmmare : การประเมิน , ถอดรหัส , และการเรียนรู้ การประเมินปัญหา
: ความน่าจะเป็นที่แบบ อืม  = {  , ,
b } ได้สร้างการลำดับ O = 01 02 . . . . . . . . OT , มักแก้ปัญหาด้วยวิธีไปข้างหน้าและถอยหลัง
[ 8 ] .
ถอดรหัสปัญหา :ให้  และการสังเกตลำดับการคำนวณ O
ของมากที่สุดลำดับของสหรัฐอเมริกาอยู่ที่ผลิต
สังเกตลำดับ O มักจะจัดการโดยอุปกรณ์ขั้นตอนวิธี [ 8 ] .
ปัญหาการเรียนรู้ ให้ฝึกสังเกตลำดับ
o และตัวเลขของที่ซ่อนอยู่และสภาพที่มองเห็นความตั้งใจ
hmmparameters {  , B } ที่เหมาะสมการฝึกอบรมส่วนใหญ่ทํา
ข้อมูลที่ดีที่สุดโดยเทคนิคการเพิ่มประสิทธิภาพระดับโลกเช่นบาม– Welch ขั้นตอนวิธี
ซึ่งถือว่าเป็นวิธีแบบดั้งเดิมสำหรับการฝึกอบรมหืม [ 8 ] .
หนึ่งข้อเสียเปรียบของขั้นตอนวิธีบาม– Welch คือมันหา
เพื่อท้องถิ่นที่เหมาะสม ดังนั้น เทคนิคในการค้นหาที่สามารถใช้เพื่อเพิ่มประสิทธิภาพของพารามิเตอร์
อืม . ค่าพารามิเตอร์ที่เหมาะสมของรูปแบบ

ไล่ระดับ ยังสามารถคำนวณ ผ่านมาตรฐานโครงร่างเป็นเทคนิคการเพิ่มประสิทธิภาพที่เหมาะสม [ 14 ] การประมาณค่าพารามิเตอร์ของแบบจำลองที่ดี

มีผลต่อประสิทธิภาพของกระบวนการรับรู้ พารามิเตอร์เหล่านี้จะประมาณนั้น
ยอมรับข้อผิดพลาดน้อยที่สุด อืม พารามิเตอร์ที่กำหนด
ในระหว่างซ้ำกระบวนการที่เรียกว่า " กระบวนการฝึกอบรม " .
อันที่จริงภายใน - ใช้สำหรับวิเคราะห์ภายในสุ่ม
สัญญาณโดยเฉพาะ non-stationary คือการพูดและเสียง
สัญญาณ [ 8 ] นอกจากนี้ มันเป็นไปได้ที่จะ แบบ 2 มิติ โดยการขยายสัญญาณ